論文の概要: Enabling AWS Cloud FPGA Development Using High-Level Vitis HLS
- arxiv url: http://arxiv.org/abs/2611.06829v1
- Date: Wed, 04 Nov 2026 17:44:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.221996
- Title: Enabling AWS Cloud FPGA Development Using High-Level Vitis HLS
- Title(参考訳): 高レベルVitis HLSを用いたAWS Cloud FPGA開発の実現
- Abstract要約: ハイレベル言語からAWS EC2 F2クラウドFPGAインフラストラクチャ上でMLモデルを開発するためのツールチェーンを提案する。
FPGA固有の回路誤差を含む4段階の誤差のローカライズを支援する手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a toolchain for development of ML models on AWS EC2 F2 cloud FPGA infrastructure from high-level language, implementing a complete Vitis HLS to HDK bridge to AFI workflow that has been absent from the academic literature despite eight years of AWS FPGA availability. We introduce a four-level methodology (FP32 PyTorch, bit-accurate quantized Python, HLS C-simulation, physical FPGA) to aid in localizing errors, including FPGA-specific circuit errors. Together these tools allow coding agents to effectively implement FPGA designs from user directions, testing and debugging as needed. We document the deployment workflow, timing closure strategies, and practical HLS engineering decisions that proved crucial. We validate using TinyBERT fine-tuned for address Named Entity Recognition, implementing the embedding layer and the first of four encoder layers on the FPGA hardware. Our implementation streams weights from host DRAM, yielding poor performance compared to CPU/GPU implementations; we discuss forward paths.
- Abstract(参考訳): 我々は,AWS EC2 F2クラウドFPGAインフラストラクチャ上でのMLモデルを高レベル言語から開発するためのツールチェーンを提案し,AWS FPGAが8年間利用可能であったにもかかわらず,学術文献から欠落していたAFIワークフローへの完全なVitis HLSからHDKブリッジを実装した。
PyTorch,bit-accurate Quantized Python, HLS C-simulation, physical FPGA) という4段階の手法を導入し,FPGA固有の回路誤差を含む誤差のローカライズを支援する。
これらのツールを組み合わせることで、コーディングエージェントはユーザ方向からFPGA設計を効果的に実装し、必要に応じてテストとデバッグを行うことができる。
デプロイワークフロー、タイミングクロージャ戦略、そして重要なHLSエンジニアリングの実践的な決定を文書化しています。
FPGAハードウェア上での埋め込み層と4層エンコーダの第1層を実装し, 名前付きエンティティ認識のための細調整TinyBERTの有効性を検証した。
我々の実装はホストDRAMから重みをストリームし、CPU/GPU実装と比較して性能が劣る。
関連論文リスト
- Enabling Low-Latency Machine learning on Radiation-Hard FPGAs with hls4ml [0.6253022837963071]
本稿では,FPGA上で実現可能な,超高速で放射能の高い機械学習(ML)アプリケーションの最初の実演について述べる。
我々は32サンプルのタイミング読み出しを圧縮する軽量オートエンコーダを開発した。
性能損失を最小限に抑えながら10ビットの重みに縮めることができることを示す。
論文 参考訳(メタデータ) (2026-02-17T17:30:28Z) - Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。
アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。
ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-20T17:08:42Z) - Understanding the Potential of FPGA-Based Spatial Acceleration for Large Language Model Inference [11.614722231006695]
数十億のパラメータを誇った大規模言語モデル(LLM)は、推論ワークロードの効率的なデプロイに対する大きな需要を生み出している。
本稿では,FPGA上でのLLM推論におけるモデル固有空間加速度の実現可能性と可能性について検討する。
論文 参考訳(メタデータ) (2023-12-23T04:27:06Z) - End-to-end codesign of Hessian-aware quantized neural networks for FPGAs
and ASICs [49.358119307844035]
我々は、共設計ニューラルネットワーク(NN)のトレーニングと実装のためのエンドツーエンドワークフローを開発する。
これにより、ハードウェアにおける効率的なNN実装が、非専門家に、単一のオープンソースワークフローでアクセスできるようになる。
大型ハドロン衝突型加速器(LHC)の40MHz衝突速度で動作しなければならないトリガー決定を含む粒子物理学アプリケーションにおけるワークフローを実演する。
シミュレーションLHC陽子-陽子衝突における高速粒子ジェット用混合精度NNを実装した。
論文 参考訳(メタデータ) (2023-04-13T18:00:01Z) - HARFLOW3D: A Latency-Oriented 3D-CNN Accelerator Toolflow for HAR on
FPGA Devices [71.45672882756001]
本研究では,3次元畳み込みニューラルネットワークをFPGAにマッピングするための,新しいストリーミングアーキテクチャベースのツールフローを提案する。
HARFLOW3Dツールフローは、ONNXフォーマットで3D CNNを入力し、FPGAの特性を記述する。
ツールフローが幅広いモデルやデバイスをサポートする能力は、様々な3D CNNとFPGAシステムペアに関する数多くの実験を通して示される。
論文 参考訳(メタデータ) (2023-03-30T08:25:27Z) - Open-source FPGA-ML codesign for the MLPerf Tiny Benchmark [11.575901540758574]
我々は,フィールドプログラマブルゲートアレイ(FPGA)プラットフォーム上でのTiny Inference Benchmarkの開発経験を示す。
我々は、FPGA上で最適化されたニューラルネットワークのAIハードウェアコーデックを民主化することを目的として、オープンソースのhls4mlとFINN perJを使用している。
ソリューションはシステムオンチップ(Pynq-Z2)と純粋なFPGA(Arty A7-100T)プラットフォームにデプロイされる。
論文 参考訳(メタデータ) (2022-06-23T15:57:17Z) - Accelerated Charged Particle Tracking with Graph Neural Networks on
FPGAs [0.0]
グラフニューラルネットワークに基づく荷電粒子追跡のためのアルゴリズムのFPGA実装を開発し,研究する。
CPUベースの実行の大幅な高速化が可能であり、将来的にはそのようなアルゴリズムを効果的に利用できるようになる可能性がある。
論文 参考訳(メタデータ) (2020-11-30T18:17:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。